.png){kind=icon}
返回
Task-Aware Effective Connectivity Modeling for Cognitive Function Prediction
.png){kind=icon}
PRE
AI
DOI：10.1109/jbhi.2025.3644481.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
静息态功能磁共振成像（rs-fMRI）衍生的有效连接（EC）已成为加深对健康与疾病中脑功能理解的关键工具。然而，大多数研究在个体基础上估计EC，将其视为模型中的隐藏参数，并需要为每个受试者重新训练模型。它们往往忽视了有价值的群体水平信息，限制了其泛化能力。此外，EC通常独立于下游任务获取，降低了其有效捕捉任务特异性变化的能力。为解决这些局限性，我们提出了一种灵活的任务感知有效连接（TAEC）模型，旨在构建个体化、任务感知和非线性因果脑网络，而无需受试者特定的重新训练。在该框架中，引入了一个因果发现模块（CDM），通过时空注意力机制捕捉EC的隐式神经表示，产生个体EC的估计。随后，我们提出了一个任务感知图神经网络（GNN）预测器，通过引入任务感知惩罚实现端到端预测，增强任务性能和任务依赖EC模式的识别。在人类连接组计划（HCP）数据集中对十二项认知任务的广泛实验表明，所提出的方法达到了最先进性能，验证了其在任务感知有效连接建模中的有效性。此外，该框架发现了具有区分性和任务特异性的EC模式，为认知功能提供了额外的见解。
Keyword:
Task-aware
effective connectivity
cognitive functions
Granger causality
期刊
IF:
6.8
论文数:
4.7K
被引数:
2.0W
机构
引用论文
Age‐related differences in the functional connectivity of the hippocampus during memory encoding.png)
Hippocampus
OAAI
HippocampusIF0
OAAI分享收藏Complex network measures of brain connectivity: Uses and interpretations大脑连通性的复杂网络测量: 用途和解释NeuroImage
NeuroImageIF0
PREAI
分享收藏The minimal preprocessing pipelines for the Human Connectome Project人类连接体项目的最小预处理管道NeuroImageOAAI
NeuroImageIF0
OAAI分享收藏
查看更多内容